Conceptos Básicos
시간 지식 그래프에서 진화적 사건 체인을 학습하기 위한 Transformer 기반 추론 모델 ECEformer를 제안한다.
Resumen
이 논문은 시간 지식 그래프(TKG)에서 진화적 사건 체인(ECE)을 학습하기 위한 Transformer 기반 추론 모델 ECEformer를 제안한다.
- 기존 방법들은 개별 사건 내부의 구조와 의미 관계를 충분히 탐색하지 못하거나, 다른 사건들 간의 상황적/시간적 상관관계를 적절히 학습하지 못하는 한계가 있었다.
- ECEformer는 두 가지 핵심 모듈을 제안한다:
- ECE 표현 학습(ECER): Transformer 인코더를 활용하여 개별 사건의 내부 구조와 의미 관계를 학습
- 혼합 상황 지식 추론(MCKR): MLP 기반 정보 혼합 레이어를 통해 사건들 간의 상황적/시간적 상관관계를 학습
- 또한 시간 예측 작업을 추가하여 학습된 표현에 시간 정보를 효과적으로 반영한다.
- 6개의 벤치마크 데이터셋에서 실험을 수행한 결과, ECEformer가 기존 최신 모델들을 크게 능가하는 성능을 보였다.
Estadísticas
우리 모델은 GDELT 데이터셋에서 MRR 51.19%, Hits@1 38.72%, Hits@3 59.41%, Hits@10 71.10%의 성능을 달성했다.
ICEWS05-15 데이터셋에서 MRR 77.29%, Hits@1 73.11%, Hits@3 79.39%, Hits@10 85.17%의 성능을 달성했다.
ICEWS18 데이터셋에서 MRR 44.80%, Hits@1 39.18%, Hits@3 46.89%, Hits@10 55.31%의 성능을 달성했다.
Citas
"우리는 시간 지식 그래프(TKG)에서 진화적 사건 체인(ECE)을 학습하기 위한 Transformer 기반 추론 모델 ECEformer를 제안한다."
"기존 방법들은 개별 사건 내부의 구조와 의미 관계를 충분히 탐색하지 못하거나, 다른 사건들 간의 상황적/시간적 상관관계를 적절히 학습하지 못하는 한계가 있었다."
"ECEformer는 두 가지 핵심 모듈을 제안한다: ECE 표현 학습(ECER)과 혼합 상황 지식 추론(MCKR)."